1.本技术涉及测试技术领域，尤其涉及一种系统批量框架的测试方法及装置。
背景技术：2.随着社会的发展，为了便于内部管理以及给用户提供更好的服务，银行投产了许多系统。
3.众所周知，每个系统都有各自的批量流程任务处理总体架构，以下简称批量框架。在涉及新增批量作业的时候，由于该批量框架不经常变动，就要通过设计案例对该批量框架进行整体测试。又由于测试该批量框架的案例量巨大，故如果做到使用所有的案例对该批量框架进行全覆盖测试，会耗费大量的人力。于是现有技术一般采用测试人员抽查检测的方法，对批量框架进行检测。
4.但是现有技术这样的抽查检测的方法，依赖测试人员的经验，因此容易受人为影响。
技术实现要素：5.有鉴于此，本技术实施例提供了一种系统批量框架的测试方法及装置，旨在通过神经网络模型筛选出目标案例集合，根据目标案例集合对系统批量框架进行测试。
6.第一方面，本技术实施例提供了一种系统批量框架的测试方法，包括：
7.获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例；
8.通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例；
9.根据所述目标案例集合测试系统批量框架。
10.在一种可能的实现方式中，所述待测案例集合包括第一待测案例集合和第二待测案例集合，所述通过神经网络模型从所述待测案例集合中确定目标案例集合包括：
11.通过所述神经网络模型从所述第一待测案例集合中确定第一目标案例集合；
12.根据所述神经网络模型从第三待测案例集合中确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合；
13.判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值；
14.响应于所述第一目标案例集合和所述第二目标案例集合的重合程度大于等于预设值，确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。
15.在一种可能的实现方式中，所述神经网络模型的建立包括以下步骤：
16.获取训练数据集，所述训练数据集包括用于训练神经网络模型的训练案例集合以
及训练目标案例集合；
17.根据训练数据集训练所述神经网络模型，所述神经网络模型用于描述案例集合与目标案例集合的对应关系；
18.其中，所述训练案例用于测试被测系统的批量框架文档整体；所述文档用于描述待测系统的批量处理流程总体架构。
19.在一种可能的实现方式中，所述方法还包括：
20.获取所述目标案例集合以及所述目标案例集合的测试结果；
21.根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度；
22.响应于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集；
23.其中，所述预设精准度为所述目标案例集合测试结果与所述训练目标案例集合预测的测试结果相似程度；所述目标案例集合的测试结果为所述实际测试案例测试被测系统批量框架时的测试结果。
24.在一种可能的实现方式中，所述神经网络模型的建立还包括：
25.判断所述神经网络模型的更新时间间隔是否大于等于预设阈值；
26.响应于所述神经网络模型的更新时间间隔大于等于预设阈值，将新增训练案例输入至所述训练数据集；
27.其中，所述新增训练案例包括根据联机数据编写的案例。
28.第二方面，本技术实施例提供了一种系统批量框架的测试装置，包括：
29.获取单元，用于获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例；
30.预测单元，通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例；
31.测试单元，根据所述目标案例集合测试系统批量框架。
32.在一种可能的实现方式中，所述待测案例集合包括第一待测案例集合和第二待测案例集合，所述预测单元，具体用于确定第一目标案例集合单元，用于通过所述神经网络模型从所述第一待测案例集合中确定第一目标案例集合；确定第二目标案例集合单元，用于根据所述神经网络模型从第三待测案例集合中确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合；判断重合程度单元，用于判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值；输出单元，用于响应于所述第一目标案例集合和所述第二目标案例集合的重合程度大于等于预设值，确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。
33.在一种可能的实现方式中，所述神经网络模型的建立包括以下步骤：
34.获取训练数据集，所述训练数据集包括用于训练神经网络模型的训练案例集合以及训练目标案例集合；
35.根据训练数据集训练所述神经网络模型，所述神经网络模型用于描述案例集合与
目标案例集合的对应关系；
36.其中，所述训练案例用于测试被测系统的批量框架文档整体；所述文档用于描述待测系统的批量处理流程总体架构。
37.在一种可能的实现方式中，所述装置还包括重复训练单元：
38.所述获取单元，还用于获取所述目标案例集合以及所述目标案例集合的测试结果；
39.所述重复训练单元，还用于根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度；
40.响应于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集；
41.其中，所述预设精准度为所述目标案例集合测试结果与所述训练目标案例集合预测的测试结果相似程度；所述目标案例集合的测试结果为所述实际测试案例测试被测系统批量框架时的测试结果。
42.在一种可能的实现方式中，根据上述任意一种可能的实现方式中所述的系统批量框架的测试装置，所述神经网络模型的建立还包括：
43.判断所述神经网络模型的更新时间间隔是否大于等于预设阈值；
44.响应于所述神经网络模型的更新时间间隔大于等于预设阈值，将新增训练案例输入至所述训练数据集；
45.其中，所述新增训练案例包括根据联机数据编写的案例。
46.第三方面，本技术实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面任一项所述的系统批量框架的测试方法。
47.第四方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述的系统批量框架的测试方法。
48.本技术实施例提供了一种系统批量框架的测试方法及装置。在执行所述方法时，先获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例。所述待测案例集合例如可以是对于待测系统批量框架而言相对应设计的案例集合，以及对于新增批量作业而言相对应设计的案例集合。然后通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例。最后，根据所述目标案例集合测试系统批量框架，以避免测试系统依赖测试人员经验。这样，通过神经网络模型筛选出目标案例集合，能够自动找出有价值的测试案例，避免过度依赖测试人员的经验，达到了在避免过度依赖测试人员经验的情况下依然可以快速测试系统的效果。如此，可以及时解决案例测试系统批量框架后出现的问题。
附图说明
49.为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的
一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1为本技术实施例提供的系统批量框架的测试方法的一种方法流程图；
51.图2为本技术实施例提供的系统批量框架的测试装置的一种结构流程图。
具体实施方式
52.众所周知，每个系统都有各自的批量流程任务处理总体架构，以下简称批量框架。以某银行核心系统日终批量流程为例，目前日终批量的关键路径大致的流程图如下：将日切点作为分界线，日切点以前为日切前准备，日切点以后补处理当日业务以及补记账当日业务，此时当日业务补账完成。在当日业务补账完成以后同一时刻进行当日业务核心报表处理、次日业务批量处理以及数据备份恢复处理，此时核心主机处理完成。在核心主机处理完成后，对数据备份恢复信息进行数交批量处理。
53.假设系统框架为在数据备份恢复时批量前备份作业，此时设有备份表a；在批量前备份作业后批量加载作业，设有加载上游文本b；在批量加载作业后批量处理系统业务作业，设有处理记表c；在批量处理系统业务作业后批量下传作业，设有下传文本d，此时批量结束。
54.在涉及新增批量作业的时候，由于该批量框架不经常变动，就要通过设计案例对该批量框架进行整体测试。当涉及新增批量作业时，上述设有备份表由a增加到a和a1；加载上游文本b增加到b和b1；处理记表c增加到c和c1；下传文本d增加到d和d1。假设原有框架每个步骤对应一批设计的案例，其中批量前备份作业原有10个案例测试备份表a的功能正常，增加批量备份表a1功能后，可以批量新增10个测试备份表a1功能正常的案例。以银行为例，所述批量作业可以用来处理批量代收代付业务、个人贷款到期还款、信用卡自动还款等业务。
55.如此可见，测试该批量框架的案例量巨大，故如果做到使用所有的案例对该批量框架进行全覆盖测试，会耗费大量的人力。于是现有技术一般采用测试人员抽查检测的方法，对批量框架进行检测。但是现有技术这样的抽查检测的方法，依赖测试人员的经验，因此容易受人为影响。
56.为了解决上述问题，本技术实施例提供了一种系统批量框架的测试方法及装置。其中，所述系统批量框架的测试方法可以用于测试人员的用于测试的后台系统，所述方法通过神经网络模型筛选出目标案例集合，根据目标案例集合对系统批量框架进行测试。
57.下面从后台系统的角度，对本技术实施例提供的系统批量框架的测试方法进行说明。其中，所述后台系统可以运行于测试人员的主机。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
58.参见图1，图1为本技术实施例提供的系统批量框架的测试方法的一种方法流程图，包括：
59.s101：获取待测案例集合。
60.为了通过神经网络模型筛选出目标案例集合，测试人员可以通过用于测试的后台系统先获取待测案例集合。所述待测案例集合包括用于测试系统批量框架的多个待测案
例。所述待测案例集合例如可以是对于待测系统批量框架而言相对应设计的案例集合，以及对于新增批量作业而言相对应设计的案例集合。
61.s102：通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例。
62.在获取到待测案例集合之后，后台系统可以通过神经网络模型从所述待测案例集合中确定目标案例集合。所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例。具体而言，所述待测案例在神经网络模型中的批量参数信息例如可以包括批量作业名称、需备份表名以及备份后表名。所述目标案例在神经网络模型中所输出的参数信息例如可以是测试初始条件、测试输入信息以及测试预期结果。所述阈值可以人为设置，也可以由后台系统根据神经网络模型输出的结果智能调节。
63.在一种可能的实现方式中，所述待测案例集合包括第一待测案例集合和第二待测案例集合。根据获取到的第一待测案例集合，通过神经网络模型确定第一目标案例集合，再根据第三待测案例集合，通过神经网络模型确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合。
64.具体而言，假设第一待测案例集合的批量参数包括批量作业名称q1，q2，q3、需备份表名w1，w2，w3以及备份后表名r1，r2，r3；通过神经网络模型确定的第一目标案例集合包括测试初始条件为t日w2存在1条记录以及t日系统批量运行成功、测试输入为检查t日系统批量成功日志以及检查r2记录数据条数和内容、测试预期结果为记录q1、q2、q3处理成功以及r2存在1条数据并且内容与w2一致。第三待测案例集合的批量参数包括的第一目标案例集合，例如可以是批量作业名称q2、需备份表名w2、备份后表名r2。则第三待测案例集合的批量参数包括第二待测案例集合中的批量作业名称z1，z2，z3、需备份表名x1，x2，x3、备份后表名c1、c2、c3；以及批量作业名称q2、需备份表名w2、备份后表名r2。
65.此时判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值。假设预设值为90％，例如，根据神经网络模型确定的第二目标案例集合包括测试初始条件为t日w2存在1条记录以及t日系统批量运行成功、测试输入为检查t日系统批量成功日志以及检查r2记录数据条数和内容、测试预期结果为记录q1、q2、q3处理成功以及r2存在1条数据并且内容与w2一致。则所述第一目标案例集合和所述第二目标案例集合的重合程度为100％，大于预设值90％。确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。
66.s103：根据所述目标案例集合测试系统批量框架。
67.根据上述s102中神经网络模型输出的目标案例集合中的参数信息测试系统批量框架。
68.在一种可能的实现方式中，所述神经网络模型的建立包括以下步骤：首先按照编写规范，编写被测系统的批量框架文档，接着根据上述编写的被测系统的批量框架文档，编写训练案例集合以及训练目标案例集合。所述编写训练目标案例集合可以参考批量框架文档输出的参数进行编写，所述输出的参数是通过将编写好的训练案例集合导入批量框架文档，通过打标功能实现的批量参数与训练案例集合相对应的。
69.将上述训练案例集合以及训练目标案例集合组成训练数据集，根据训练数据集训练所述神经网络模型。所述训练数据集包括用于训练神经网络模型的训练案例集合以及训
练目标案例集合，所述神经网络模型用于描述案例集合与目标案例集合的对应关系。
70.在一种可能的实现方式中，获取所述目标案例集合以及所述目标案例集合的测试结果。具体而言，假设所述目标案例集合的批量参数包括批量作业名称m1，m2，m3、需备份表名n1，n2，n3以及备份后表名b1，b2，b3；所述目标集合的测试结果为记录m1，m2，m3处理成功，b2存在1条数据且内容与n2一致。根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度，所述训练目标案例集合中的案例预测结果为m1，m2，m3处理成功，b2存在不存在数据。对于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集。
71.在一种可能的实现方式中，所述神经网络模型的建立还包括：判断所述神经网络模型距离上次更新的更新时间是否大于等于预设阈值，所述预设阈值可以人为设置，也可以由后台系统根据批量作业的更新速度智能调节。对于所述神经网络模型的更新时间间隔大于等于预设阈值的情况，将新增训练案例输入至所述训练数据集，所述新增训练案例例如可以是根据联机数据编写的案例。
72.本技术实施例提供了一种系统批量框架的测试方法。在执行所述方法时，先获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例。所述待测案例集合例如可以是对于待测系统批量框架而言相对应设计的案例集合，以及对于新增批量作业而言相对应设计的案例集合。然后通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例。最后，根据所述目标案例集合测试系统批量框架，以避免测试系统依赖测试人员经验。这样，通过神经网络模型筛选出目标案例集合，能够自动找出有价值的测试案例，避免过度依赖测试人员的经验，达到了在避免过度依赖测试人员经验的情况下依然可以快速测试系统的效果。如此，可以及时解决案例测试系统批量框架后出现的问题。
73.以上为本技术实施例提供系统批量框架的测试方法的一些具体实现方式，基于此，本技术还提供了对应的装置。下面将从功能模块化的角度对本技术实施例提供的装置进行介绍。
74.参见图2所示的一种系统批量框架的测试装置200的结构示意图，该装置200包括获取单元210、预测单元220和测试单元240。
75.获取单元210，用于获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例；
76.预测单元220，通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例；
77.测试单元230，根据所述目标案例集合测试系统批量框架。
78.本技术实施例提供了一种系统批量框架的测试装置。在执行系统批量框架的测试方法时，先获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例。所述待测案例集合例如可以是对于待测系统批量框架而言相对应设计的案例集合，以及对于新增批量作业而言相对应设计的案例集合。然后通过神经网络模型从所述待测案
例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例。最后，根据所述目标案例集合测试系统批量框架，以避免测试系统依赖测试人员经验。这样，通过神经网络模型筛选出目标案例集合，能够自动找出有价值的测试案例，避免过度依赖测试人员的经验，达到了在避免过度依赖测试人员经验的情况下依然可以快速测试系统的效果。如此，可以及时解决案例测试系统批量框架后出现的问题。
79.在一种可能的实现方式中，所述待测案例集合包括第一待测案例集合和第二待测案例集合，所述预测单元220，具体用于通过所述神经网络模型从所述第一待测案例集合中确定第一目标案例集合；根据所述神经网络模型从第三待测案例集合中确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合；判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值；响应于所述第一目标案例集合和所述第二目标案例集合的重合程度大于等于预设值，确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。
80.在一种可能的实现方式中，所述神经网络模型的建立包括以下步骤：
81.获取训练数据集，所述训练数据集包括用于训练神经网络模型的训练案例集合以及训练目标案例集合；
82.根据训练数据集训练所述神经网络模型，所述神经网络模型用于描述案例集合与目标案例集合的对应关系；
83.其中，所述训练案例用于测试被测系统的批量框架文档整体；所述文档用于描述待测系统的批量处理流程总体架构。
84.在一种可能的实现方式中，所述装置还包括重复训练单元：
85.所述获取单元，还用于获取所述目标案例集合以及所述目标案例集合的测试结果；
86.所述重复训练单元，还用于根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度；
87.响应于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集；
88.其中，所述预设精准度为所述目标案例集合测试结果与所述训练目标案例集合预测的测试结果相似程度；所述目标案例集合的测试结果为所述实际测试案例测试被测系统批量框架时的测试结果。
89.在一种可能的实现方式中，根据上述任意一种可能的实现方式中所述的系统批量框架的测试装置，所述神经网络模型的建立还包括：
90.判断所述神经网络模型的更新时间间隔是否大于等于预设阈值；
91.响应于所述神经网络模型的更新时间间隔大于等于预设阈值，将新增训练案例输入至所述训练数据集；
92.其中，所述新增训练案例包括根据联机数据编写的案例。
93.本技术实施例还提供了对应的设备以及计算机存储介质，用于实现本技术实施例提供的方案。
94.其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理
器用于执行所述指令或代码，以使所述设备执行本技术任一实施例所述的系统批量框架的测试方法。
95.所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本技术任一实施例所述的系统批量框架的测试方法。
96.本技术实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
97.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，rom)/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本技术各个实施例或者实施例的某些部分所述的方法。
98.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
99.以上所述仅是本技术示例性的实施方式，并非用于限定本技术的保护范围。
技术特征：1.一种系统批量框架的测试方法，其特征在于，包括：获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例；通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例；根据所述目标案例集合测试系统批量框架。2.根据权利要求1所述的方法，其特征在于，所述待测案例集合包括第一待测案例集合和第二待测案例集合，所述通过神经网络模型从所述待测案例集合中确定目标案例集合包括：通过所述神经网络模型从所述第一待测案例集合中确定第一目标案例集合；根据所述神经网络模型从第三待测案例集合中确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合；判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值；响应于所述第一目标案例集合和所述第二目标案例集合的重合程度大于等于预设值，确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。3.根据权利要求1或2所述的方法，其特征在于，所述神经网络模型的建立包括以下步骤：获取训练数据集，所述训练数据集包括用于训练神经网络模型的训练案例集合以及训练目标案例集合；根据训练数据集训练所述神经网络模型，所述神经网络模型用于描述案例集合与目标案例集合的对应关系；其中，所述训练案例用于测试被测系统的批量框架文档整体；所述文档用于描述待测系统的批量处理流程总体架构。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取所述目标案例集合以及所述目标案例集合的测试结果；根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度；响应于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集；其中，所述预设精准度为所述目标案例集合测试结果与所述训练目标案例集合预测的测试结果相似程度；所述目标案例集合的测试结果为所述实际测试案例测试被测系统批量框架时的测试结果。5.根据权利要求1-4任意一项所述的方法，其特征在于，所述神经网络模型的建立还包括：判断所述神经网络模型的更新时间间隔是否大于等于预设阈值；响应于所述神经网络模型的更新时间间隔大于等于预设阈值，将新增训练案例输入至所述训练数据集；
其中，所述新增训练案例包括根据联机数据编写的案例。6.一种系统批量框架的测试装置，其特征在于，包括：获取单元，用于获取待测案例集合，所述待测案例集合包括用于测试系统批量框架的多个待测案例；预测单元，通过神经网络模型从所述待测案例集合中确定目标案例集合，所述目标案例集合包括多个目标案例，所述目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例；测试单元，根据所述目标案例集合测试系统批量框架。7.根据权利要求6所述的系统批量框架的测试装置，其特征在于，所述待测案例集合包括第一待测案例集合和第二待测案例集合，所述预测单元，具体用于通过所述神经网络模型从所述第一待测案例集合中确定第一目标案例集合；根据所述神经网络模型从第三待测案例集合中确定第二目标案例集合，所述第三待测案例集合包括所述第一目标案例集合和所述第二待测案例集合；判断所述第一目标案例集合和所述第二目标案例集合的重合程度是否大于等于预设值；响应于所述第一目标案例集合和所述第二目标案例集合的重合程度大于等于预设值，确定输出所述第一目标案例集合与所述第二目标案例集合的多个重合案例作为所述目标案例集合。8.根据权利要求6或7所述的系统批量框架的测试装置，其特征在于，所述神经网络模型的建立包括以下步骤：获取训练数据集，所述训练数据集包括用于训练神经网络模型的训练案例集合以及训练目标案例集合；根据训练数据集训练所述神经网络模型，所述神经网络模型用于描述案例集合与目标案例集合的对应关系；其中，所述训练案例用于测试被测系统的批量框架文档整体；所述文档用于描述待测系统的批量处理流程总体架构。9.根据权利要求8所述的系统批量框架的测试装置，其特征在于，所述装置还包括重复训练单元：所述获取单元，还用于获取所述目标案例集合以及所述目标案例集合的测试结果；所述重复训练单元，还用于根据所述目标案例集合的测试结果，判断所述训练目标案例集合中的案例是否达到预设精准度；响应于所述训练目标案例集合中的案例未达到预设精准度，将所述目标案例集合作为所述训练目标案例以及所述训练案例输入至所述训练数据集；其中，所述预设精准度为所述目标案例集合测试结果与所述训练目标案例集合预测的测试结果相似程度；所述目标案例集合的测试结果为所述实际测试案例测试被测系统批量框架时的测试结果。10.根据权利要求6-9任意一项所述的系统批量框架的测试装置，其特征在于，所述神经网络模型的建立还包括：判断所述神经网络模型的更新时间间隔是否大于等于预设阈值；响应于所述神经网络模型的更新时间间隔大于等于预设阈值，将新增训练案例输入至所述训练数据集；
其中，所述新增训练案例包括根据联机数据编写的案例。
技术总结本申请提供了一种系统批量框架的测试方法及装置。在执行所述方法时，先获取待测案例集合，该待测案例集合包括用于测试系统批量框架的多个待测案例。该待测案例集合例如可以是对于待测系统批量框架而言相对应设计的案例集合，以及对于新增批量作业而言相对应设计的案例集合。然后通过神经网络模型从所述待测案例集合中确定目标案例集合，该目标案例集合包括多个目标案例，该目标案例为预测测试结果为异常的可能性大于预设阈值的所述待测案例。最后，根据所述目标案例集合测试系统批量框架。这样，通过神经网络模型筛选出目标案例集合，能够自动找出有价值的测试案例，达到了在避免过度依赖测试人员经验的情况下依然可以快速测试系统的效果。测试系统的效果。测试系统的效果。
技术研发人员：邓卉蕊
受保护的技术使用者：中国银行股份有限公司
技术研发日：2022.07.26
技术公布日：2022/11/1
